面向临床文本的联合实体抽取与断言检测
计算与语言
2020-01-23 v5
摘要
阴性医学发现在临床报告中十分普遍，然而将其与阳性发现区分开来仍是信息抽取中的一项挑战性任务。现有多数系统将该任务视为两个独立任务的流水线，即命名实体识别 (NER) 与基于规则的否定检测。我们将其视为多任务问题，并提出一种新颖的端到端神经模型来联合抽取实体与否定。我们扩展了一个标准的分层编码器-解码器 NER 模型，首先采用共享编码器，随后为两个任务分别设置独立解码器。该架构的表现显著优于此前的基于规则与基于机器学习的系统。为克服参数规模增大（尤其在低资源场景下）的问题，我们提出了条件 Softmax 共享解码器架构，其在 2010 i2b2/VA 挑战数据集与某专有去标识临床数据集上取得了 NER 与否定检测的当前最优结果。
引用
@article{arxiv.1812.05270,
title = {Joint Entity Extraction and Assertion Detection for Clinical Text},
author = {Parminder Bhatia and Busra Celikkaya and Mohammed Khalilia},
journal= {arXiv preprint arXiv:1812.05270},
year = {2020}
}
备注
Accepted at the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019)